OpenAI · 2020-05 · Densa
GPT-3 175B (paper)
GPT-3 175B (paper) è un Transformer a attention multi-head (MHA) pubblicato da OpenAI nel 2020-05, con 96 strati, dimensione nascosta 12288 e una finestra di contesto di 2,048 token.
Architettura di riferimento tratta dall'articolo originale; nessun peso pubblico.
Pila di strati
Attention ×96 · Strati 96
Dati chiave
| Laboratorio | OpenAI |
|---|---|
| Pubblicazione | 2020-05 |
| Parametri | 175 mld |
| Contesto | 2,048 tokens |
| Attention | MHA (96:96) |
| Strati | 96 |
| Dim. nascosta | 12,288 |
| Teste di attention | 96 |
| Vocabolario | 50,257 |
| Codifica posizionale | learned-absolute |
| Normalizzazione | — |
| Attivazione | gelu |
| Precisione | — |
| Classe architetturale | gpt3-paper |
Panoramica dell'architettura
Attention
attention multi-head (MHA) — 96 q-heads / 96 kv-heads.
FFN / MoE
È un modello denso: tutti i 175 milioni di parametri partecipano al calcolo di ogni token.
Confronto campo per campo
Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.
Confronto completo con il predecessore GPT-2
| Modello | GPT-3 175B (paper) | GPT-2 | Rapporto |
|---|---|---|---|
| model_type | gpt3-paper | gpt2 | ≠ |
| architectures | — | GPT2LMHeadModel | |
| hidden_size | 12288 | — | |
| num_attention_heads | 96 | — | |
| max_position_embeddings | 2048 | — | |
| layer_norm_epsilon | — | 0.00001 | |
| vocab_size | 50257 | 50257 | ≈1 |
| _note | GPT-3 未开源权重，本表字段取自 arXiv:2005.14165 Table 2.1 (GPT-3 175B/davinci) | — | |
| source | paper:arXiv:2005.14165 | — | |
| num_layers | 96 | — | |
| n_head_kv | 96 | — | |
| activation | gelu | — | |
| positional_encoding | learned:absolute | — | |
| normalization | LayerNorm(pre+post) | — | |
| residual | post-LN style | — | |
| attention | MHA, alternating local(sp=256)/global per layer (GPT-3 paper §2.1) | — |
Architetture più simili
- GPT-2 (OpenAI, 2019-02) 0.744
- Step-3 (StepFun, 2025-07) 0.687
- Step-3.7-Flash (StepFun, 2026-05) 0.613
- Step-3.5-Flash (StepFun, 2026-03) 0.613
- LLaMA 1 7B (Meta, 2023-02) 0.581
- Qwen1.5 7B (Qwen, 2024-02) 0.528
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
14 campi
| _note | GPT-3 未开源权重，本表字段取自 arXiv:2005.14165 Table 2.1 (GPT-3 175B/davinci) |
|---|---|
| source | paper:arXiv:2005.14165 |
| model_type | gpt3-paper |
| num_layers | 96 |
| hidden_size | 12288 |
| num_attention_heads | 96 |
| n_head_kv | 96 |
| max_position_embeddings | 2048 |
| vocab_size | 50257 |
| activation | gelu |
| positional_encoding | learned:absolute |
| normalization | LayerNorm(pre+post) |
| residual | post-LN style |
| attention | MHA, alternating local(sp=256)/global per layer (GPT-3 paper §2.1) |